Googles nye AI-modell kjører på mobil – tolker tekst, lyd og bilde samtidig

Google DeepMind har lansert EmbeddingGemma 2, en ny AI-modell som kan behandle tekst, kode, bilder, video og lyd i ett og samme system. Modellen har 740 millioner parametere, altså datapunkt den bruker for å fatte beslutninger, og kan derfor kjøre direkte på en mobiltelefon eller laptop, uten å sende data til en skytjeneste. Dette betyr at bedrifter kan utvikle AI-løsninger som for eksempel søker gjennom bedriftsinterne dokumenter, bilder og lydopptak lokalt, uten å sende sensitiv informasjon ut av huset. Den kan for eksempel finne en bestemt video basert på en tekstbeskrivelse, eller et bilde basert på et stemmeopptak. Modellen er bygget på Google DeepMinds Gemma 4-arkitektur og er tilgjengelig med en Apache 2.0-lisens, som tillater kommersiell bruk. EmbeddingGemma 2 er modulær, slik at utviklere kan velge å laste inn kun de delene de trenger – for eksempel bare tekst og bilde (440M parametere) eller hele pakken (740M parametere). Dette gjør den fleksibel for ulike bruksområder og maskinvarebegrensninger, som mobiltelefoner og bærbare datamaskiner. På en Pixel 11 Pro tar tekstversjonen bare rundt 191 MB RAM, mens fullversjonen trenger 567 MB. Modellen forbedrer spesielt søk i kode og holder jevn kvalitet på flerspråklig tekstsammenligning sammenlignet med forgjengeren. Testresultater viser forbedring på nesten 14 prosent på MTEB Code-referansepunktet. Den kan også redusere størrelsen på datautdata uten betydelig tap av kvalitet, noe som gjør den mer effektiv for lagring og overføring.